翁荔长文谈Harness自进化：Agent越用越强，评测难点怎么破？

近日，翁荔发布长文 《Harness Engineering for Self-Improvement》，系统梳理了 harness engineering 在 AI 自我改进中的作用。她指出，原始模型与真实世界任务之间的 harness layer 正在变得和模型本身一样重要：它决定模型如何规划、调用工具、管理上下文、保存状态、评估结果，并在长期任务中持续迭代。

这也揭示了当下 LLM Agent 研究中的一个关键转向：Agent 的能力提升不再只来自模型参数更新，也越来越来自模型外部系统的演化。Prompt、memory、tools、workflow、middleware、permission control、runtime state 等组件共同构成 agent harness，而这些组件正在成为自进化系统的核心优化对象。

但随之而来的问题是：如果 Agent 会不断修改自己的 harness，我们应该如何评测这种「自我改进」？

现有 Agent benchmark 大多仍然面向静态系统：给定一个固定 Agent，在一组独立任务上运行，然后报告最终成功率。这种评测方式无法回答 harness evolution 中更关键的问题：一次更新到底改进了什么？提升是否能迁移到未见任务？是否只是过拟合近期反馈？是否遗忘了旧能力？是否引入了更高成本或运行时不稳定？

针对这一评测空白，清华大学团队提出了 SEAGym: An Evaluation Environment for Self-Evolving LLM Agents。

如果说 harness engineering 正在成为自进化 Agent 的重要技术路线，那么 SEAGym 关注的就是这条路线的评测基础设施：不只评估 Agent 最终得了多少分，而是评估它在更新过程中如何变强、何时退化、是否泛化、是否遗忘，以及付出了什么成本。

• 论文标题：SEAGym: An Evaluation Environment for Self-Evolving LLM Agents
• 论文地址：https://arxiv.org/abs/2606.17546
• 代码地址：https://github.com/antropy-research/SEAGym

打开网易新闻 查看精彩图片

从静态 benchmark 到动态自进化环境

打开网易新闻 查看精彩图片

这里，SEAGym 并不规定具体的更新算法。不同自进化方法可以保留自己的 native update rule，只需要通过统一的 rollout /update interface 接入即可。

这种设计使得 SEAGym 可以在同一套协议下比较不同类型的自进化方法，例如：

• ACE：主要积累 prompt-visible skillbook 或过程经验；
• TF-GRPO：利用 grouped rollout evidence 更新 experience/context store；
• AHE：直接编辑更广义的 agent harness，包括 prompts、tools、middleware 和 runtime 行为。

另外，通过将 agent 自进化过程与强化学习算法训练过程对齐，SEAGym 能够将静态的 benchmark 通过 train batch 组织为自进化过程中的某个任务，并且利用 harbor 实现了对不同类型的 benchmark 的适配兼容，将复杂的 agent 自进化过程统一用简洁清晰的超参数控制，为后续自进化 agent 研究提供了统一的训练评测协议。

多视角评测：不只问「有没有变强」，还问「怎样变强」

SEAGym 的关键设计是将传统数据 split 与评测 view 区分开来。训练任务只用于产生更新证据，评测视角则被拆分为多个部分：

• Train batch：提供 Agent 更新所需的轨迹和反馈；
• Update-validation：冻结中间 snapshot，观察更新过程是否带来阶段性提升；
• ID transfer：测试更新是否能迁移到同分布但未见过的任务；
• OOD transfer：测试更新是否能迁移到分布外任务；
• Replay：回放旧任务，检查是否出现遗忘或回归；
• Cost records：记录 token、工具调用、运行时间和更新成本。

这使得研究者可以看到自进化过程中的细粒度动态。例如，一个 snapshot 可能在 validation 上提升，但在 OOD 上下降；一个中间版本可能短暂变强，之后因为错误的 middleware 修改而崩溃；一个最终版本可能整体得分更高，但同时遗忘了一部分原本能解决的任务。

SEAGym 不只是输出一个 leaderboard 分数，而是保存每个阶段的 snapshot、trajectory、public feedback、update summary、harness diff 和 metric records，用于后续诊断。

实验设置：Terminal-Bench 2.0 + HLE

论文在两个互补任务源上实例化 SEAGym：

• Terminal-Bench 2.0：偏 execution-heavy，包含命令行、软件工程和环境交互任务；
• HLE：偏 reasoning-heavy，论文使用其中 text-only Math / Physics 作为 source task，并使用 CS/AI 与 Engineering 作为 OOD transfer task。

论文比较了 ACE、TF-GRPO 和 AHE 三类自进化方法，并进一步做了 batch size、source diversity 和 cross-model transfer 等分析。

主要结果一：validation 提升不等于稳定泛化

在主实验中，三种方法呈现出明显不同的更新动态。

AHE 在 validation、ID 和 OOD 三个视角上都取得了提升：

• validation：40.0 → 57.1，提升 17.1 个百分点；
• ID test：40.0 → 49.1，提升 9.1 个百分点；
• OOD test：22.5 → 28.8，提升 6.3 个百分点。

ACE 的提升更温和：

• validation 提升 2.9 个百分点；
• ID 提升 3.6 个百分点；
• OOD 提升 2.5 个百分点。

TF-GRPO 则展现出另一种现象：它在 validation 上提升明显，达到 +17.1 个百分点，但 OOD 下降 2.5 个百分点。这说明 grouped rollout evidence 可以强化 source distribution 上的行为，却不一定带来稳定的分布外迁移。

论文据此指出：只看 validation curve 很容易高估自进化方法的真实泛化能力。

打开网易新闻 查看精彩图片

主要结果二：自进化可能引入中间崩溃，final score 会掩盖这一点

SEAGym 的 replay diagnostics 揭示了一个非常关键的现象：自进化过程并不总是单调变好。

在 AHE 的 train replay 实验中，初始 Agent 可以解决 34/80 个训练回放任务，最终 Agent 可以解决 43/80 个任务，看起来是一个正向提升。但如果观察中间 snapshot，会发现第 4 个 epoch 后 replay performance 一度跌到 6/80，并产生大量 rollout errors。

进一步分析发现，这不是普通意义上的 “模型忘记了怎么做题”，而是 harness evolution 修改了 middleware /runtime contract，导致 message construction 出现系统性错误。之后的更新修复了该路径，性能又恢复上来。

这说明，对于 self-evolving Agent，遗忘和退化不一定表现为知识能力下降，也可能表现为：

• 工具调用路径被破坏；
• middleware contract 被破坏；
• completion protocol 被错误修改；
• validation 或 artifact 检查逻辑变得过度约束；
• runtime 行为发生系统性回归。

如果只报告初始分数和最终分数，这种中间崩溃完全不可见。而 SEAGym 通过 snapshot-level replay 和 task-level churn，将这类过程风险暴露出来。

打开网易新闻 查看精彩图片

打开网易新闻 查看精彩图片

主要结果三：batch size 影响 harness 更新稳定性，且不是越大越好

论文进一步研究了 AHE 在不同 batch size 下的表现：10、20、40、80。

结果呈现明显的非单调关系：

• batch 10：validation 从 37.1 降到 22.9，ID 从 38.2 降到 23.6；
• batch 20：validation 从 40.0 升到 57.1，ID 从 40.0 升到 49.1；
• batch 40：validation 从 37.1 升到 40.0，ID 从 41.8 升到 43.6；
• batch 80：validation 从 42.9 降到 25.7，ID 从 41.8 降到 25.5。

这说明，对于 harness-level evolution，batch size 不是简单的统计效率问题。batch 太小会导致更新证据不足、更新频率过高，从而增加 runtime regression 的机会；batch 太大则会让单次更新需要分析过多轨迹，稀释每个任务的注意力，诱发粗糙或脆弱的 harness 修改。

在该实验中，batch 20 是 evidence diversity、per-task analysis depth、update frequency 和 harness stability 之间较平衡的设置。

打开网易新闻 查看精彩图片

主要结果四：训练来源多样性影响恢复能力

论文比较了 mixed-source training 和 HLE-only training。

mixed-source 设置使用 Terminal-Bench + HLE，而 HLE-only 只使用 HLE Math/Physics。结果显示，HLE-only run 在中间 snapshot 上也能取得有用提升，但最终 snapshot 出现 collapse：

• HLE-only final validation、ID、OOD 均降到 0；
• 但其 best intermediate snapshot 仍能达到 ID +7.3、OOD +3.8 的提升。

论文认为，单一 benchmark 可能会把 harness 推向 benchmark-specific local optimum。相比之下，Terminal-Bench 提供了工具、环境、执行路径和 runtime 错误方面的多样信号，HLE 提供 reasoning-heavy 信号，两者结合可以帮助后续更新从坏状态中恢复。

打开网易新闻 查看精彩图片

主要结果五：harness 更新具有 backend 依赖

论文还考察了 cross-model transfer：用 DeepSeek、GLM 和 GPT-5.4 分别训练 AHE harness，再交换到不同 rollout model 上评估。

结果显示，同 backend transfer 通常更稳定：

• DeepSeek-evolved harness 在 DeepSeek 上 ID +9.1；
• GLM-evolved harness 在 GLM 上 ID +3.6；
• GPT-5.4-evolved harness 在 GPT-5.4 上 ID +5.5。

但 cross-backend transfer 明显不对称。例如：

• DeepSeek-evolved harness 能让 GLM ID +7.3，但让 GPT-5.4 ID -3.6；
• GPT-5.4-evolved harness 能让 GPT-5.4 ID +5.5，但让 GLM ID -7.3；
• OOD 结果更不稳定，多个 cross-backend OOD gain 为 0 或负数。

这说明 harness 更新并不是完全模型无关的。不同模型在 rollout 中暴露出的 failure surface 不同：有的更容易暴露工具恢复问题，有的更偏向文本推理失败，有的更强调 artifact constraints 和 validation sufficiency。因此，一个 backend 上学到的 harness 修改，不一定适合另一个 backend。

打开网易新闻 查看精彩图片

这篇工作的意义

自进化目前已成为大家押注的下一代技术范式迁移的主流方向，SEAGym 从更本质的智能体环境构建的角度出发，将自进化过程建模为清晰的强化学习过程，提出了评测自进化 Agent 的统一系统框架和协议。SEAGym 不再只关注智能体任务完成的结果，而是从过程出发去研究智能体的进化机制和规律。

它将研究问题从「最终 Agent 的成功率是多少？」推进到：不同自进化机制到底更新了 Agent 的哪个部分？是否存在 OOD 泛化？是否遗忘了旧能力？性能提升是否伴随更高成本？

随着 Agent 被用于软件工程、数据分析、科研自动化、网页操作和长期任务执行，这类问题会越来越重要。一个能够持续修改自身工具、memory 和 middleware 的 Agent，如果没有过程级评测，很可能在某些任务上表现更强，同时在另一些任务上悄悄引入不可见的风险。

SEAGym 的价值就在于，它让这些风险变得可观测、可回放、可诊断。

未来方向

论文也指出，当前 SEAGym 的实验主要集中在 Terminal-Bench 2.0 和 HLE 两类任务源上，覆盖了 execution-heavy 和 reasoning-heavy 场景，但还没有扩展到 web interaction、desktop interaction、long-horizon software engineering、data-analysis workflows、多智能体协作和 continuous online task streams 等更复杂场景。

此外，SEAGym 的多视角评测带来了明显的 cost /coverage tradeoff。保存多个 snapshot，并在 validation、ID、OOD、replay 等视角上重复评测，会消耗大量 token 和时间。未来需要研究更高效的 snapshot selection、adaptive replay 和 budget-aware evaluation。

总体来看，SEAGym 为自进化 LLM Agent 提供了一套更细粒度的评测语言：它不再把 Agent 视为一个固定模型，而是把其 prompt、memory、tools、middleware 和 runtime state 共同构成的 harness 视为会随经验变化的对象。对于理解下一代长期运行 Agent 的可靠性、可迁移性和安全性，这是一项基础设施式的工作。

团队介绍

SEAGym 由清华大学自动化系团队提出，作者包括 Congjie Zheng、Chuanyi Xue、Bin Liang、Jun Yang 和 Changshui Zhang。

其中，Congjie Zheng 与 Chuanyi Xue 为共同第一作者，Jun Yang 与 Changshui Zhang 为通讯作者。

团队长期关注大模型智能体、agent harness、自进化机制和智能体评测基础设施等方向。